fa استفاده از تحلیل مولفه اصلی برای تعیین ورودی‌های موثر بر تخمین بارش به کمک شبکه عصبی مصنوعی و ماشین‌ بردار پشتیبان تخصصي Special پژوهشي Research <p dir="RTL" style="text-align: justify;"><span style="font-size:16px;"><span style="font-family: b nazanin;">مدیریت نزولات جوی و استفاده بهینه از این منابع کمک شایانی به مدیریت منابع آب می&shy;کند و همچنین در مدیریت منابع آب تخمین پارامتر هیدرولوژیکی نقش اساسی دارند. در این تحقیق تخمین بارش سه ایستگاه سینوپتیک آستارا، لاهیجان و جیرنده واقع در استان گیلان با استفاده از شبکه عصبی مصنوعی (</span><span dir="LTR">ANN</span><span style="font-family: b nazanin;">) و ماشین بردار پشتیان (</span><span dir="LTR">SVM</span><span style="font-family: b nazanin;">) انجام گرفته است. از روش تحلیل مؤلفه اصلی (</span><span dir="LTR">PCA</span><span style="font-family: b nazanin;">) برای پیش&shy; پردازش داده &shy;ها و تعیین داده&shy; های ورودی استفاده گردید. با توجه به نتایج، در روش تحلیل مؤلفه &shy;های اصلی نیز برای ایستگاه سینوپتیک آستارا و جیرنده، پنج مؤلفه اصلی و برای ایستگاه لاهیجان چهار مؤلفه اصلی انتخاب شده است. نتایج مدل&shy;سازی حاکی از این است که، مدل شبکه عصبی مصنوعی مبتنی بر تحلیل مؤلفه اصلی (</span><span dir="LTR">PCA-ANN</span><span style="font-family: b nazanin;">) در ایستگاه &shy;های آستارا</span> <span style="font-family: b nazanin;">و جیرنده به ترتیب با مجذور میانگین مربعات خطای 74/2 و 62/2 میلی&shy;متر و مدل ماشین بردار پشتیبان مبتنی بر تحلیل مؤلفه اصلی (</span><span dir="LTR">PCA-SVM</span><span style="font-family: b nazanin;">) در ایستگاه لاهیجان با مجذور میانگین مربعات خطای 53/2 میلی&shy;متر را می&shy;توان به عنوان مدل&shy;های منتخب برای ایستگاه&shy; های مذکور انتخاب کرد. در نهایت با توجه به نتایج می&shy;توان چنین نتیجه گرفت که روش &shy;های استفاده شده پیش&shy;پردازش داده&shy;ها در این تحقیق برای پیش &shy;بینی بارش همچنین مدل </span>&nbsp;<span dir="LTR">SVM</span><span style="font-family: b nazanin;">در ایستگاه لاهیجان و مدل </span>&nbsp;<span dir="LTR">ANN</span><span style="font-family: b nazanin;"> در ایستگاه‌های آستارا و جیرنده عملکرد قابل قبولی داشته است. </span></span></p> <p dir="RTL"><br> &nbsp;</p> <div style="text-align: justify;">Atmospheric precipitation management and efficient use of these resources are extremely helpful to the management of water resources and it has the basic role in the management of the water resources of hydrological parameter estimate as well. In this research, rainfall estimate of three synoptic station situated in Astara, Lahijan and Jirandeh in Gilan province has been done using artificial neural network (ANN) and support vector machines (SVM).&nbsp; The principal component analysis method (PCA) was applied to determine the data pre-processing and input data. According to the results, the main component analysis method for synoptic stations as well as for the five main components of Astara and jirandeh, and for the four main components of Lahijan station is selected. The results of model-making indicate that the artificial neural network model based on principal component analysis (PCA-ANN)&nbsp; in Astara and Jirandeh stations in order with average 2.74 mm squares of 2.62and mm backup-based support vector machine model analysis of the main components (PCA-SVM) mean squares of squares in Lahijan station with error 2.53 mm can be selected as selected models for the aforementioned stations. Finally, with respect to the results can be fitted such that the methods used for data pre-processing in this research to predicate the rainfall as well as the SVM in Lahijan station and model Ann model in Astara and Jirandeh stations have been acceptable.</div> استان گیلان, بارش, تحلیل مؤلفه اصلی, شبکه عصبی مصنوعی, ماشین بردار پشتیبان Gilan province, Precipitation, Principal component analysis, Artificial neural network, Support vector machine 67 75 http://jircsa.ir/browse.php?a_code=A-10-413-4&slc_lang=fa&sid=1 Babak Mohammadi بابک محمدی babakmsh@yahoo.com 10031947532846002040 10031947532846002040 Yes University of Tabriz دانشگاه تبریز Samad Emamgholizadeh صمد امامقلی زاده b.mohammadi71@gmail.com 10031947532846002041 10031947532846002041 No University technology of shahrood دانشگاه صنعتی شاهرود